مدل متن‌باز IQuest-Q1 معرفی شد؛ ابزاری قدرتمند برای کدنویسی خودکار در محیط ترمینال
آزمایشگاه IQuestLab از مدل زبانی متن‌باز IQuest-Q1 رونمایی کرد؛ مدلی با معماری MoE و ۳۲۰ میلیارد پارامتر که بهطور ویژه برای هدایت ایجنت‌های کدنویسی در محیط ترمینال توسعه یافته است. این مدل با فعال‌سازی تنها ۱۵ میلیارد پارامتر در هر مرحله و پشتیبانی از ۵۱۲ هزار توکن زمینه، عملکردی سریع و قدرتمند در پروژه‌های پیچیده نرم‌افزاری ارائه می‌دهد.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- مدل IQuest-Q1 دارای ۳۲۰ میلیارد پارامتر با معماری MoE است که در هر توکن تنها حدود ۱۵ میلیارد پارامتر فعال دارد و اجرای سریع و بهینه‌ای ارائه می‌دهد.
- این مدل با پنجره زمینه ۵۱۲ هزار توکنی و امتیاز ۸۳٫۲ در بنچمارک Terminal-Bench 2.1، توانایی بالایی در درک پروژه‌های بزرگ نرم‌افزاری و اجرای دستورات خط فرمان دارد.
- وزن‌های این مدل به‌صورت متن‌باز در پلتفرم‌های Hugging Face و ModelScope منتشر شده‌اند و از طریق فریمورک SGLang با اندپوینت‌های سازگار با OpenAI قابل راه‌اندازی هستند.
معرفی مدل IQuest-Q1
مدل IQuest-Q1 یک مدل زبانی بزرگ با وزن‌های باز و معماری MoE است که توسط تیم IQuestLab توسعه یافته است. این مدل با مجموع ۳۲۰ میلیارد پارامتر (که تنها حدود ۱۵ میلیارد پارامتر آن در هر توکن فعال می‌شود) و پشتیبانی از پنجره زمینه ۵۱۲ هزار توکنی، بهطور ویژه برای کدنویسی مبتنی بر ایجنت در محیط خط فرمان (CLI) مشابه ابزارهایی مانند Claude Code و Codex طراحی شده است.
ویژگی‌ها و مشخصات کلیدی
- معماری: مدل ترکیبی از متخصصان (MoE) با ۳۲۰ میلیارد پارامتر کل و حدود ۱۵ میلیارد پارامتر فعال در هر توکن
- پنجره زمینه: ۵۱۲ هزار توکن
- بنچمارک: کسب امتیاز ۸۳٫۲ در آزمون ارزیابی Terminal-Bench 2.1
- گزارش فنی: منتشرشده در تاریخ ۲۲ و ۲۳ اکتبر ۲۰۲۶ (مقاله 2610.30949 در پایگاه علمی Hugging Face Papers)
- دسترسی به وزن‌ها: صفحه سازمانی IQuestLab در پلتفرم‌های Hugging Face و ModelScope
چرا این مدل اهمیت دارد؟
ترکیب تعداد کم پارامترهای فعال با پنجره زمینه طولانی، این مدل را به گزینه‌ای ایده‌آل برای ایجنت‌های ترمینال تبدیل می‌کند؛ ابزارهایی که نیاز دارند در تعامل‌های طولانی و چندمرحله‌ای، فایل‌ها را بخوانند، ویرایش کنند و دستورات خط فرمان را به اجرا درآورند. این ویژگی‌ها IQuest-Q1 را به رقیبی تازه‌نفس و جدی در میان مدلهای کدنویسی متن‌باز تبدیل کرده است.
نحوه راه‌اندازی و استفاده
- دانلود وزن‌های مدل: دریافت وزن‌ها از مخزن
huggingface.co/IQuestLab/IQuest-Q1یا پلتفرم ModelScope - سرویس‌دهی: اجرای مدل با فریمورک SGLang (به‌همراه راهنمای موجود) در قالب یک اندپوینت سازگار با رابط برنامه‌نویسی OpenAI
- اتصال به ابزارهای خط فرمان: بهره‌گیری از مدل به‌عنوان موتور پردازشی در ایجنت‌های ترمینال مشابه Claude Code یا Codex
وب‌سایت رسمی پروژه: iquestlab.github.io
میزبانی وزن‌های ۳۲۰ میلیارد پارامتری به سرورهای مجهز به چندین پردازنده گرافیکی (Multi-GPU) نیاز دارد؛ برای بررسی دقیق‌تر امتیازها و جزئیات ارزیابی، گزارش فنی پروژه را مطالعه کنید.
مطالب مرتبط و پیشنهادی
دولت سوئد استفاده اداری از ChatGPT و Claude را ممنوع کرد؛ نگرانی از درز داده‌های حساس
دولت سوئد استفاده از ابزارهای هوش مصنوعی ChatGPT و Claude را در تمام بخش‌های اداری و دولتی به دلیل نگرانی‌های امنیتی ممنوع کرد. با این حال، استفاده از سرویس‌های تاییدشده مانند Microsoft Copilot به دلیل وجود توافق‌نامه‌های رسمی حفاظت از داده‌ها، همچنان مجاز شمرده می‌شود.
متا برای توسعه زیرساختهای هوش مصنوعی، ۹۵ میلیارد دلار سهام جدید عرضه می‌کند
شرکت متا قصد دارد با عرضه ۹۵ میلیارد دلار سهام، منابع مالی لازم برای سرمایهگذاری گسترده در زیرساختهای هوش مصنوعی و پروژه‌های ابرهوش را تأمین کند. این غول فناوری با این اقدام، ظرفیت مراکز داده و توان پردازشی خود را برای پشتیبانی از نسلهای آینده مدلهای هوش مصنوعی بهطور چشمگیری ارتقا می‌دهد.
کاهش ۸۰ درصدی هزینه هوش مصنوعی؛ راهکار شرکت Aiven برای جایگزینی هوشمندانه مدل‌ها
شرکت Aiven توانسته است با راه‌اندازی یک درگاه نرم‌افزاری اختصاصی و مهاجرت هوشمندانه به مدلهای سبک‌تر با وزن باز، هزینه‌های مصرف توکن هوش مصنوعی خود را تا ۸۰ درصد کاهش دهد. این شرکت قصد دارد با ارائه این درگاه به‌عنوان یک سرویس ابری، به سایر سازمان‌ها نیز در مهار هزینه‌های سرسام‌آور هوش مصنوعی کمک کند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.